L`analyse d`intervention en séries temporelles
Transcription
L`analyse d`intervention en séries temporelles
Stratégies d’analyse à l’échelle de l’individu de la variabilité intraindividuelle et du changement à court terme Jacques Juhel CRPCC EA 1285, Université Rennes 2 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 1 L’évaluation des modèles du fonctionnement cognitif Modèles généraux (au sens de communs à tous les sujets) de la psychologie expérimentale cognitive : - approche centrée sur la manipulation de variables indépendantes et le contrôle de variables parasites ; - test sur données moyennées ou agrégées entre sujets. Modèles généraux de la psychologie différentielle cognitive : - approche centrée sur l’analyse des variations interindividuelles ; - test sur données moyennées ou agrégées au niveau individuel. 3 avril 2008 Des niveaux d’observation différents. Des choix épistémologiques et méthodologiques différents. La neutralisation de formes différentes de variabilité. Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 2 Formes de variabilité neutralisées en psychologie différentielle Pour étudier des processus psychologiques généraux, la psychologie différentielle cherche classiquement à neutraliser : les variations de la situation ; les changements réversibles de performance entre occasions de mesure : - au niveau micro (essais successifs d’une même tâche), - au niveau macro (même tâche à des moments différents). Les variations neutralisées ne seront pas les mêmes selon ce que l’on cherche à mettre en lumière (la dispersion interindividuelle dans une situation expérimentale, la diversité des stratégies d’apprentissage ou celle des trajectoires développementales, etc.). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 3 Formes de variabilité neutralisées en psychologie du développement Deux niveaux d’analyse : 1) intra-individuel; 2) interindividuel. 1) Représentation au niveau intra-individuel de l’accroissement linéaire associé à l’âge de la capacité de la mémoire de travail de l’enfant : Yti = b0 i + b 1i âge ti + ε ti , où âge ti est l'âge de l'individu i au tem ps t . Variance intraindividuelle : individu i pente b1i intercept b0 i 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 4 Formes de variabilité neutralisées en psychologie du développement Deux niveaux d’analyse : 1) intra-individuel; 2) interindividuel. 2) Représentation au niveau interindividuel de l’accroissement linéaire associé à l’âge de la capacité de la mémoire de travail de l’enfant : a) t1 t2 t3 t4 b) Intercept Pente Variances des variables latentes «intercept» et «pente» : a) fixées à 0; b) libres (modèle à effets aléatoires). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 5 L’étude du changement avec l’échantillon de sujets pour unité d’analyse Les possibilités de modélisation des différences interindividuelles dans le changement intra-individuel sont nombreuses, par exemple : modèles de croissance à variables latentes (LGM); LGM à mélange de distributions (LGMM); différentes formes de changement dans des sous-échantillons différents; Changement moyen Des formes différentes de changement analyse factorielle en plan R répété sur les occasions (étude de la stabilité et de l’invariance d’une structure de variations interindividuelles, etc.) 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 6 L’intra-individuel à l’échelle de la population Les approches prenant comme unité d’analyse un échantillon d’individus disposent d’outils puissants permettant de décrire à l’échelle interindividuelle la structure et, dans ce cadre, les causes du changement intra-individuel. Mais les résultats ne sont pas toujours généralisables à l’individu… Par exemple : La mise en évidence d’un effet expérimental au niveau du groupe n’implique pas qu’il en soit également vrai chez tous les individus du groupe ; Un changement peut apparaître continu lorsqu’il est observé au niveau du groupe et discontinu à l’échelle de l’individu. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 7 L’intra-individuel à l’échelle de la population Il n’est donc pas légitime d’attribuer a priori la variabilité intra- individuelle mise en évidence à l’échelle d’un échantillon à chacun des individus de cet échantillon. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 8 La variabilité intra-individuelle n’est pas seulement de l’erreur de mesure Selon les populations étudiées, une partie des fluctuations et de l’instabilité temporelle (le terme εti) : paraît avoir une fonction dans les mécanismes de la cognition et du développement cognitif (par ex., les processus vicariants (Reuchlin, 1978) sont générateurs de diversité au niveau cognitif) ; semble être un indicateur significatif de « vulnérabilité cognitive » chez certaines catégories d’individus (enfants souffrant d’un «trouble déficitaire de l'attention avec hyperactivité», patients épileptiques, traumatisés crâniens, Alzheimer, schizophrènes, etc.) Situer certaines formes de variabilité intra-individuelle dans une perspective théorique nouvelle (Lautrey, 2003; Lautrey, Mazoyer et van Geert, 2002 ). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 9 La variabilité cognitive intra chez l’enfant « Il est important de reconnaître l’importance de la variabilité intra pour décrire avec précision le développement cognitif autant que pour comprendre le changement cognitif » (Siegler, 2007, p. 104). Prévalence de la variabilité cognitive intra chez le nourrisson, l’enfant, l’adolescent et l’adulte. L’amplitude de la variabilité cognitive intra varie de façon cyclique au cours du temps. La variabilité cognitive intra (une partie de) : tend à être positivement reliée à l’apprentissage ultérieur, est utile à l’analyse du changement (par ex., le modèle de développement des stratégies par « recouvrement en vagues »), contribue à une meilleure compréhension des mécanismes de changement (par ex., l’idée de contraintes en cascades qui canalisent progressivement les états du système). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 10 La variabilité cognitive intra chez la personne âgée La variabilité cognitive intra est un marqueur de l’efficience. «Le processus de vieillissement cognitif peut être compris comme la diminution de la complexité du système par cristallisation progressive des degrés de liberté disponibles pour sa construction et par affaiblissement ou destruction graduelle des contraintes et de la force des couplages entre processus cognitifs et caractéristiques de la tâche» (Juhel, 2003, p. 298). (Extrait de MacDonald, S., Nyberg, L., & Bäckman, L., 2006) 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 11 L’ambivalence de la variabilité intra-individuelle Variabilité intra-individuelle et apprentissage inter-essais : indiquer si le nombre placé au centre de l’écran est plus grand que la somme des deux nombres qui l’encadrent. 8 12 5 Variabilité intra-individuelle adaptative lors de l’apprentissage (par ex., acquisition stratégique). Réduction de la variabilité intra avec l’amélioration de la performance. Variabilité intra-individuelle inadaptative en période asymptotique de fonctionnement (par ex., fatigue, fluctuations attentionnelles, etc.). Les variations (provoquées ou non) de la variabilité intraindividuelle fournissent une information qui permet d’en réduire l’ambivalence. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 12 Implications méthodologiques : l’individu comme unité d’analyse Certaines formes de variabilité intra-individuelles sont l’expression de dynamiques du fonctionnement cognitif qu’il n’est sans doute possible d’appréhender qu’à l’échelle de l’individu : en prenant l’individu comme son propre témoin (plans N=1, séries temporelles, etc.) ; en analysant le changement et la variabilité intra-individuelle à partir de l’étendue des observations effectuées chez l’individu. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 13 Implications méthodologiques : l’individu comme unité d’analyse Exemples de plan N = 1 Type de plan Représentation Evaluation du niveau, de la variabilité et de la tendance Intra-séries Plans à phases -simples (A/B: base/manipulation) -avec retrait (A/B/A, A/B/A/B) -complexes (A/B/C/B) -pour chaque phase de la série de données; évaluation des changements associés à la VI en comparant les phases de la série. Inter-séries Plans alternés -pour l’ensemble des observations qui correspondent aux conditions; comparaison des conditions entre elles (et à une phase de base éventuellement). Séries combinées 3 avril 2008 Plans à lignes de base multiples -comparaisons à la fois inter (entre (entre sujets, entre séries de données) et intra (entre comportements, entre situations) phases). Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 14 Implications méthodologiques : l’individu comme unité d’analyse Plan avec retrait A/B/A Variable dépendante 16 14 12 10 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Occasion de mesure Phase de base 3 avril 2008 Manipulation expérimentale Phase de base Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 15 Implications méthodologiques : l’individu comme unité d’analyse Plan alterné (C1/C2) avec phase de base Variable dépendante 16 14 12 10 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Occasion de mesure Phase A (base) 3 avril 2008 condition 1 Condition 2 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 16 Implications méthodologiques : l’individu comme unité d’analyse Plan à lignes de base multiples (A/B, entre tâches) 9 Variable dépendante 8 7 6 5 4 Tâche 3 3 2 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Occasion de mesure 9 Variable dépendante 8 7 6 5 Tâche 2 4 3 2 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Occasion de mesure 7 Variable dépendante 6 5 4 Tâche 1 3 2 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Occasion de mesure 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 17 Implications méthodologiques : l’individu comme unité d’analyse Nombre de fixations Série temporelle courte 50 45 40 35 30 25 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Temps Observations effectuées quotidiennement chez un nourrisson (de l'âge de 6 semaines à celui de 10 semaines) (Hunnius, Geuze, & van Geert, 2006). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 18 L’individu comme unité d’analyse : limites et difficultés A quelles conditions les lois qui paraissent organiser certaines de ces variations sont-elles généralisables ? reproduction : la loi identifiée chez un individu l’est aussi chez des individus «ressemblants » ; inférence : à partir du regroupement d’observations individuelles sur la base d’une légitimité éprouvée à le faire (par ex., lorsque les patterns de variabilité présentent un degré «suffisant» de ressemblance). Une approche : vulnérable à certains biais méthodologiques (manque de contrôle dans l’affectation des mesures, difficulté à respecter le principe de randomisation, biais de régression vers la moyenne, etc.) ; qui a [longtemps] « laissé un peu perplexe le psychologue informé en statistiques » (McNemar, 1940, p. 360). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 19 Exemples de situations expérimentales Des recherches portant sur l’attention exécutive et la flexibilité cognitive caractérisées par : l’emploi d’un plan à mesures répétées (le plus proximal par rapport aux dynamiques du comportement) conduisant au recueil d’un vecteur d’observations individuelles; le recours à une forme ou une autre de réplication (d’une séquence d’essais, de la tâche, sur plusieurs individus, etc.); une ou plusieurs manipulations expérimentales. Analyse de l’impact des variables indépendantes sur le niveau et la variabilité intra-individuelle de la performance (chez la personne âgée, MCI, Alzheimer ou des patients schizophrènes). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 20 Tâche de recherche indicée en mémoire Essai positif (P) IMITATION DENTELLE GERBE IMITATION NOURRICE Essai négatif (N) JEUDI DENTELLE GERBE IMITATION NOURRICE DENTELLE DENTELLE GERBE 3 avril 2008 Essai négatif (NI) IMITATION NOURRICE Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 21 Tâche de recherche indicée en mémoire Observations effectuées chez Mme N.R. (84 ans, MMSE = 27) La variabilité intra des latences aux items NI est-elle plus grande que celle aux items N? temps de réponse Mme N.R. (N°17) 7000 6000 5000 4000 3000 2000 1000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Items items P 3 avril 2008 Items N Items NI Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 22 Tâche de commutation attentionnelle Sous-tâche A . COULEUR * . Sous-tâche B FORME * Tâche de commutation : BAABBAABBAABBAABB………………………AABB Bloc de 32 essais (16 A et 16B) 3 X à chaque occasion, plusieurs occasions 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 23 Tâche de commutation attentionnelle Observations effectuées chez Mr T.R. (76 ans) La variabilité intra des latences des essais alternés est-elle plus Temps de réponse (msec) importante que celle des essais répétés ? Y a-t-il une réduction de la variabilité intra avec l’entraînement ? 800 700 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Essai Alterné 3 avril 2008 Répété Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 24 Trail Making Test TMT-A TMT-B Fin Début Début Fin 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 25 Trail Making Test Observations effectuées chez Mme J.J. (82 ans; MMSE = 20/30) Y a-t-il amélioration de la performance – réduction des latences et de la variabilité intra des latences – à la forme B du Trail Making Test ? Stimulation Pas de stimulation 250 Temps (sec) 200 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Session TMT A 3 avril 2008 TMT B Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 26 Trail Making Test Etude des effets d’un programme de stimulation cognitive : plan à lignes de base multiples (A/B, entre sujets) 700 TMT-A 600 TMT-B 500 400 300 Mme L.B. 200 Temps de Réponse (msec) 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 700 600 500 400 300 200 Mme B. 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 700 600 500 400 300 200 Mme J. 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Occasion de mesure 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 27 Comment mesurer la variabilité intra-individuelle ? L’écart-type intra-individuel ; inapproprié en présence d’effets d’apprentissage et d’entraînement. s Xi Le coefficient de variation : × 100 ; pose problème pour des mXi valeurs faibles. La racine carrée du carré moyen des différences successives : ∑ (x i − xi +1 )2 n −1 , n le nombre total d'essais. L’indice résiduel intra-individuel (IRI) : a) redressement de la série par régression; b) calcul du RMSR : ∑ (x i − xˆ i )2 n , n le nombre total d'essais. Des indices mobiles : écart-type mobile, taux de changement, etc. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 28 Quelles méthodes d’analyse employer ? Les techniques de ré-échantillonnage. Soit un échantillon de n observations x1, x2, …, xn d’une distribution d’échantillonnage inconnue. Ré-échantillonner, c’est construire m échantillons de p ≤ n observations par : tirage aléatoire avec remise (bootstrap) ; pour quantifier l’incertitude attachée à l’estimation des indices précédents (et de bien d’autres) sans faire l’hypothèse de distributions théoriques ! tirage aléatoire sans remise (shuffling), tests de permutation ou de randomisation ; pour tester une hypothèse statistique lorsque les conditions d’application d’un test ne sont pas respectées. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 29 Le bootstrap 4 Pertinence du bootstrap 2 1 Density 3 bootstrap paramétrique bootstraps non paramétriques Courbe théorique 0 Démo CV(Xi) -0.4 -0.2 0.0 0.2 0.4 0.6 N = 200 Bandwidth = 0.04474 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 30 Le bootstrap Temps de réponse (msec) Tâche de commutation attentionnelle (Mr T.R., 76 ans) 800 700 IRI_alterné IRI_répété 86,69 48,91 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 Essai Alterné Répété Intervalle centile Bootstrap (95%) Demo IRI.xls Mean Variance Diff_IRI 35,629 258,6 5,08 66,87 La variabilité intra des latences des essais alternés est significativement plus importante que celle des essais répétés. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 31 Les tests de randomisation Tests basés sur les ré-arrangements aléatoires (des permutations) des occasions de mesure sur les conditions expérimentales. Principe : randomiser un aspect du plan en sélectionnant aléatoirement un ré-arrangement parmi toutes les permutations théoriquement possibles. La statistique étudiée (par ex., une différence de coefficients de variation, de pentes) est calculée pour toutes les permutations possibles obtenues par la procédure de randomisation. Elle est calculée sur un échantillon aléatoire de permutations si celles-ci sont en très grand nombre (test de randomisation Monte-Carlo). Les valeurs de cette statistique sont ensuite triées par ordre croissant. La significativité du résultat observé est obtenue en localisant celui-ci dans la distribution de randomisation. NB - La plus petite valeur de p pouvant être obtenue avec un test statistique basé sur un schème de randomisation est l’inverse du nombre de permutations possibles. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 32 Les tests de randomisation Tâche de recherche indicée en mémoire : Plan alterné à 2 conditions : 12 12! 12 blocs d’items (6 N, 6 NI) soit = = 924 combinaisons 6 6!(12 - 6)! possibles sans répétition. Temps de réponse Schème de randomisation 7000 6000 5000 4000 3000 2000 1000 0 N NI NI N NI N N Bloc d’items NI N NI N NI Programme SCRT (Van Damme et Onghena, 1993, 2007) 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 33 Les tests de randomisation Tâche de recherche indicée en mémoire : Plan alterné à 2 conditions : Temps de réponse Sujet 3 7000 6000 5000 4000 3000 2000 1000 0 N NI NI N NI N N NI N NI N NI Blocs d’items - Statistique : NI - N = 1676 - Comparaison de cette différence avec les 923 autres possibles; - 8 randomisations pour lesquelles NI- N > 1676 P (NI -N ≥ 1676) = .0087 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 34 Les tests de randomisation Tâche de recherche indicée en mémoire : 24 24! Plan alterné, 24 items (8 P, 8 N, 8 NI) soit = = 9 465 511 770 8 8!(16)! combinaisons possibles sans répétition. temps de réponse Sujet 17 7000 6000 5000 4000 3000 2000 1000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Items items P Items N Comparaisons sur 1000 randomisations (MonteCarlo) 3 avril 2008 Items NI P (P - N ≥ 1310) = .046 P (NI - N ≥ 2987) = .001 P (NI- P ≥ 1676) = .011 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 35 Les tests de randomisation Plans à phases La randomisation ne peut pas être appliquée à l’ordre des conditions expérimentales car la succession des phases est fixée. Une manière de procéder consiste à déterminer aléatoirement le moment du changement de phase et à définir un nombre minimum d’occasions de mesure dans chaque phase (Onghena, 1992). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 36 Les tests de randomisation Tâche de recherche indicée en mémoire 14 items répétés négatifs (N) versus 15 items répétés négatifs-intrusifs (NI). Sujet 15 Temps de réponse 10000 8000 6000 4000 2000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 Occasion de mesure items N Items NI Calcul avec 4 occasions de mesure par phase (i.e. 22 randomisations) : P (NI - N ≥ 754) = .73 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 37 L’analyse d’intervention en séries temporelles Plans quasi-expérimentaux de séries chronologiques interrompues (A/B) avec un faible (<50) nombre d’occasions de mesure (inadaptation des modèles conventionnels ARIMA) : approche non paramétrique : la statistique C (permet de vérifier si le comportement d’une série est aléatoire mais n’apporte pas de réponse au problème de l’autocorrélation des données). approche paramétrique : la méthode du double bootstrap (Knight et al., 2000) (modèle linéaire autorégressif avec erreurs autocorrélées). Méthode Nombre minimal d’observations Données autocorrélées Statistique C 16 non Analyse d’intervention : A/B, A/B/A Séries temporelles interrompues 20 oui Analyse d’intervention : A/B 3 avril 2008 Type d’analyse Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 38 L’analyse d’intervention en séries temporelles La dépendance sérielle des observations. Lorsque les observations successives d’une série temporelle discrète ou d’un processus sont corrélées (les erreurs de mesure associées aux données à une occasion sont des prédicteurs des erreurs associées aux données à d’autres occasions), l’emploi de statistiques basées sur l’hypothèse d’indépendance des mesures augmente le risque d’erreurs de 1ère espèce. Items N r1 = 0,808 Temps de réponse 5000 4000 3000 2000 1000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 Occasion de mesure Items N 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 39 L’analyse d’intervention en séries temporelles : la statistique C La statistique C de Young (Tryon, 1982) Hypothèse de données aléatoires. n −1 2 ( x − x ) ∑ t t +1 C = 1− t =1 n 2∑ ( xt − x ) 2 t =1 La valeur de C est proche de 0 si les variations de la série sont aléatoires. La distribution du rapport entre C et son erreur-type définie par : n+2 sC = (n − 1)(n + 1) est normale centrée réduite. NB - il est préconisé d’avoir au moins 8 occasions de mesure par phase pour utiliser la statistique C (Arnau et Bono, 1988). 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 40 L’analyse d’intervention en séries temporelles : la statistique C Étapes dans l’utilisation de la statistique C Dans un plan A/B par exemple : 3 avril 2008 Calcul de C sur les données de la phase A et test de l’hypothèse d’absence de tendance ; Sous hypothèse d’absence de tendance, calcul de C sur l’ensemble des observations effectuées (A et B) et test de tendance nulle. Si rejet de l’hypothèse d’absence de tendance, ajustement des données de la phase de base par régression puis calcul de C sur l’ensemble des valeurs ajustées (A et B) et test de tendance nulle. Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 41 L’analyse d’intervention en séries temporelles : la statistique C Tâche de recherche indicée en mémoire Items répétés négatifs (N) vs items répétés négatifs-intrusifs (NI) 8000 Temps de réponse 7000 6000 5000 4000 3000 2000 1000 0 Items N Items I Phase A (items N) : C = -0,15; sC = 0,26; p = .34 Phases A+B (items N et NI) : C = 0,53; sC = 0,20; p = .01 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 42 L’analyse d’intervention en séries temporelles : la statistique C Tâche de recherche indicée en mémoire Items répétés négatifs (N) vs items répétés négatifs-intrusifs (NI) 7000 6000 5000 4000 3000 2000 1000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Phase A (items N) : C = -0,09; sC = 0,27; p = .393 Phases A+B (items N et NI) : C = 0,37; sC = 0,21; p = .076 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 43 L’analyse d’intervention en séries temporelles : approche paramétrique Le comportement d’une série temporelle est déterminé par plusieurs sources de variation : des effets structuraux : 4 1 2 3 1) le niveau de base; 2) l’effet du temps ; 3) l’effet de niveau lié à l’intervention ; 4) l’effet de pente suite à l’intervention. des effets stochastiques : auto-régression (yt dépend de yt-k), moyenne mobile (et dépend de et-k) 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 44 L’analyse d’intervention en séries temporelles : approche paramétrique Le modèle d’analyse de régression (A/B) (McKnight et al., 2000) : yt = βt x + ut , t = 1,..., N yt = β 0 × intercept + β1 × temps + β 2 × niveau + β3 × pente + erreur X= 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 45 L’analyse d’intervention en séries temporelles : approche paramétrique Le modèle d’analyse de régression (A/B) (McKnight et al., 2000) : Le terme d’erreur ut suit une série autorégressive stationnaire (variance stable dans la série) de rang k. Les erreurs et sont indépendantes et distribuées normalement. ut = ρ1ut −1 + ρ2ut −2 + ... + ρk ut −k + et L’estimation des coefficients de régression (4 dans le plan A/B) et de ceux d’autorégression (généralement ρ1 seulement) s’effectue en deux étapes avec emploi d’une procédure de bootstrap à chaque étape. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 46 L’analyse d’intervention en séries temporelles : approche paramétrique Illustration : http://www.stat.wmich.edu/cgi-bin/slab/timeseries.cgi Sujet 1 Temps de réponse 10000 8000 6000 4000 2000 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 Occasion de mesure items N Items NI Parameter Estimates and Test that parameter is zero Parameter Beta 0 Beta 1 Beta 2 Beta 3 AR 1 3 avril 2008 Estimate 2668,37 -33,85 3210,57 -70,17 t-ratio 4,650 -0,989 4,333 -1,063 p-value 0,000 0,328 0,000 0,294 0,145 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 47 La description simultanée de la tendance et de la variabilité intra Ensemble de techniques exploratoires (fuzzy sets) visant à identifier les moments d’accroissement de variabilité du système (van Geert & van Dijk, 2002; van Dijk & van Geert, 2007). maximums et minimums mobiles, lignes d’altitude, méthode maxprog-minreg, méthode du moment critique analyse de la distribution des fluctuations, etc. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 48 La description simultanée de la tendance et de la variabilité intra Evolution de la performance au TMT (B-A) : Mme B. Elimination de la variabilité avec les techniques de lissage. Démo TMT(B-A) Mme B Temps (sec) 200 150 100 50 0 1 3 5 7 9 11 13 15 17 19 21 23 25 Occasion de mesure 3 avril 2008 TMT (B-A) Moyenne mobile (3) Ecart-type mobile (5) Polynomial (Ecart-type mobile (5)) Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 49 La description simultanée de la tendance et de la variabilité intra Evolution de la performance au TMT (B-A) : Mme B. « Enveloppe » de la trajectoire. Maxprog Minreg TMT (B-A) Mme B. 270 TMT (B-A) sec 220 170 120 70 20 1 3 5 7 9 11 13 15 17 19 21 23 25 27 Occasion de mesure TMT(B-A) 3 avril 2008 Maximum Progressif Minimum Régressif Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 50 La description simultanée de la tendance et de la variabilité intra Evolution de la performance au TMT (B-A) : Mme B. Moment critique TMT Ecart-type mobile des résidus (période = 5). Accroissement critique 25 Temps (sec) 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Occasion de mesure Ecart-type mobile des résidus (période = 5) 3 avril 2008 Valeur critique (.95) Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 51 En guise de conclusion Employées à bon escient, les méthodes et techniques dont on vient brièvement d’illustrer l’emploi offrent de réelles opportunités dans l’analyse à l’échelle de l’individu de la variabilité intraindividuelle. Elles permettent : dans le cadre d’une approche expérimentale, d’étudier les effets de la manipulation sur le niveau et la variabilité intra de la performance, de délimiter la largeur du champ d’application de lois générales dont les prédictions sont contredites par les observations effectuées chez certains individus, d’identifier certaines sources, variables au cours du temps, des différences individuelles dans la variabilité intra-individuelle; de manière plus exploratoire, de décrire le changement pendant qu’il se produit, de mettre en évidence des périodes d’accroissement ou de diminution de la variabilité intra-individuelle. 3 avril 2008 Séminaire Cognition, École Doctorale Neurosciences et Cognition, Université Lyon 2 52